تحلیل و پیش بینی شدت تصادفات جاده ای با استفاده از مدل لوجیت دودویی: مطالعه موردی داده های تصادفات رانندگی کشور کانادا سال ۲۰۱۹

تحقیق حاضر بر روی مدل لوجیت دودویی برای پیش بینی احتمال مرگ رانندگان در تصادفات جاده ای تمرکز دارد. در این تحقیق، از داده های تصادفات رانندگی جاده ای کشور کانادا استفاده شده است. این داده ها در سال ۲۰۱۹ توسط پلیس راه جمع آوری شده اند و در پایگاه ملی داده های تصادفات ثبت شده اند. متغیر وابسته در این مدل شدت تصادف می باشد که یک متغیر دودویی است (مرگ رانندگان و مجروح شدن رانندگان). متغیرهای مستقل شامل انواع وسایل نقلیه، سن خودرو، روزها، بازه های زمانی، برخورد هم جهت و مخالف جهت، محل تصادف، شرایط جوی، سن و جنسیت راننده است. با تحلیل داده ها و تخمین پارامترها، مدل تا ۴۱ درصد تغییرات متغیر وابسته را پیش بینی می تواند. در مرحله اعتبارسنجی مدل، داده ها به دو بخش تقسیم شده است و ۷۰ درصد آن ها برای مدل سازی و ۳۰ درصد باقی مانده برای اعتبارسنجی مدل استفاده شده است. از شاخص آزمون عدد مک-فادن برای ارزیابی عملکرد مدل استفاده شده است. ساخت مدل های این تحقیق به کمک نرم افزار های SPSS و Nlogit۶.۰ صورت گرفته است. نتایج نشان می دهد که مدل به خوبی با داده ها تطابق دارد و توانایی پیش بینی تغییرات شدت تصادفات را دارد. در نتیجه، این تحقیق نشان می دهد که متغیرهای خشک بودن سطح جاده، بازه نیمه شب و سن وسیله نقلیه باعث افزایش مرگ افراد شده و متغیرهایی مانند وسیله نقلیه سبک، اتوبوس مدرسه و برخودر هم جهت تصادف منجر به مرگ را کاهش می دهد.

کلیدواژه ها:

مدل لوجیت دودویی ، احتمال وقوع تصادف ، شدت تصادف ، تصادفات جاده ای ، انواع وسایل نقلیه